Vibe-coding beim Einstellen von Data Engineers: AI-Zeichen

# Vibe-Coding beim Einstellen von Data Engineers: So erkennen Sie KI-generierten Code in Tests

Beim Einstellen eines Data Engineers auf Mid-Level, um die Datenplattform zu unterstützen und weiterzuentwickeln, erhielt das Team eine Reihe von Testaufgaben. Die meisten Lösungen wiesen Anzeichen von KI-Generierung auf: von übermäßiger Optimierung bis hin zu vorgefertigten Strukturen. Nur eine sah handgeschrieben aus, litt aber unter schlechter Projektstruktur und grundlegenden Fehlern, was zur Ablehnung führte.

Rollen im Prozess: Bewertung abgeschlossener Assessments und Durchführung technischer Interviews. Kandidaten mit 5+ Jahren Erfahrung konnten ihren eigenen Code nicht erklären und beriefen sich auf »Empfehlungen aus dem Internet«. Dies deutet auf einen Abbau grundlegender Fähigkeiten im Vergleich zu 2022–2023 hin, als Mid-Level-Spezialisten selbstbewusst Scala-, Spark- und Hadoop-Architekturen zerlegten.

Arten von KI-generierten Lösungen

Die Testaufgaben ließen sich in zwei Kategorien einteilen:

• Vibe-Coding (KI-Betreiber): Der Code wirkt auf den ersten Blick perfekt – keine Fehler, mit Over-Engineering. Ein typischer Engineer würde für eine einfache Aufgabe aus Faulheit oder Pragmatismus nicht so schreiben.
• Copy-Paste-Stil: Fragmente aus ChatGPT in das Projekt eingefügt. Sieht auf den ersten Blick menschlich aus, doch eine detaillierte Analyse vor dem Interview deckt Inkonsistenzen auf.

Offensichtliche Merkmale werden ausgelassen, um die »professionelle Intuition« zu wahren. Sogar Manager unterscheiden manchmal Claude Code nicht von ChatGPT und sehen es als fortschrittlichen Chatbot.

Angepasster Ansatz für technische Interviews

Die Interviews konzentrierten sich auf die Testaufgabe mit Überprüfung der Urheberschaft:

• Diskussion der Lösungen bei leichten Änderungen der Bedingungen (z. B. »Was ändert sich bei der Eingabe?«).
• Fragen zur Sprache, Spark und Data Engineering, bezogen auf den Code.
• Bestätigung des Eigentums: Der Kandidat muss jede Zeile »besitzen«, unabhängig von der Quelle.

Kein Kandidat gab zu, KI genutzt zu haben. In Sackgassen folgten Ausreden wie »das hab ich online gelesen«. Alle Assessments bekamen 2–3/10 Punkte, trotz »netter Kerl«-Faktoren.

Markprobleme und Einstellungsergebnisse

Der Markt für Mid-Level-Data-Engineers ist überschwemmt mit »KI-Betreibern«. Die neue Generation mit 5 Jahren Erfahrung kann keine grundlegenden Fragen zu verteiltem Computing beantworten oder ihren eigenen Code analysieren. Das steht im Kontrast zu früheren Jahren, als selbst Juniors das beherrschten.

Am Ende stellten sie einen Kandidaten ein, der Cursor während des Screen-Sharings öffnete. HR lobte die Motivation und Kommunikation. Der technisch stärkste russischsprachige Kandidat wurde abgelehnt wegen geringerer »Sympathiewerte« und des Satzes »Data Engineering ist überall gleich« – interpretiert als geringe Motivation.

Was wichtig ist

• KI ist kein Ausschlusskriterium, wenn der Kandidat den Code besitzt und jede Zeile erklären kann.
• Grundkenntnisse in Spark, Scala und Hadoop sind auch für Mid-Level obligatorisch.
• Vibe-Coding zeigt sich durch Over-Engineering und Templates; Copy-Paste durch Inkonsistenzen in Details.
• Interviews anpassen: Fokus auf Bedingungsänderungen und Code-Eigentum.
• Der Markt verschlechtert sich: 100 % der Assessments von 5-Jahres-Spezialisten zeigen KI-Spuren.

— Editorial Team